试题推荐方法、装置、电子设备及存储介质
文献发布时间:2024-04-18 19:44:28
技术领域
本申请涉及自然语言处理技术领域,尤其涉及一种试题推荐方法、装置、电子设备及存储介质。
背景技术
在教育领域中,试题练习可以巩固学生对知识点的掌握,因此,在对学生进行试题推荐时,可以针对每个学生的需求,推荐相应的试题。例如,根据学生的错题,推荐给学生与错题类型相同的题,从而促进学生掌握易错知识点。但是,传统的教育模式下,教师难以从大量的题海资源中,迅速查找出与学生需求相匹配的试题。
随着传统教育向个性化及智能化方向的发展,基于深度学习的试题推荐模型逐渐应用于教育领域。通常各个区域为了保证各自区域试题资源的数据隐私安全性,不会将其独立试题库上传到服务器进行共享,现有的试题推荐方法是采用区域内的独立试题库中的试题分析出对该区域的试题推荐策略,然后利用学生所处区域的试题推荐策略对学生进行试题推荐,但是,大部分区域独立试题库中的试题量较少,以至于试题推荐策略的试题推荐能力较低,以使试题推荐的准确度较低。
发明内容
基于上述现有技术的缺陷和不足,本申请提出一种试题推荐方法、装置、电子设备及存储介质,能够提高试题推荐的准确度。
本申请提出的技术方案具体如下:
根据本申请实施例的第一方面,提供了一种试题推荐方法,包括:
获取目标学生对应的目标试题;
基于所述目标试题以及与所述目标学生对应的试题推荐策略,生成与所述目标试题对应的推荐试题;
其中,所述试题推荐策略基于第一试题推荐策略和参考试题推荐策略而确定,所述第一试题推荐策略包括所述目标学生所属目标区域的试题推荐策略,所述参考试题推荐策略包括第二试题推荐策略和第三试题推荐策略中的至少一项,所述第二试题推荐策略包括所述目标区域的关联区域的试题推荐策略,所述第三试题推荐策略包括通用的试题推荐策略。
可选的,所述试题推荐策略,包括试题推荐运算参数;所述第一试题推荐策略包括所述目标学生所属目标区域的试题推荐运算参数,所述参考试题推荐策略包括第二试题推荐策略和第三试题推荐策略中的至少一项,所述第二试题推荐策略包括所述目标区域的关联区域的试题推荐运算参数,所述第三试题推荐策略包括通用的试题推荐运算参数;
基于所述目标试题以及与所述目标学生对应的试题推荐策略,生成与所述目标试题对应的推荐试题,包括:
基于所述目标试题,按照所述试题推荐运算参数进行试题推荐运算,得到与所述目标试题对应的推荐试题。
可选的,基于所述目标试题,按照所述试题推荐运算参数进行试题推荐运算,得到与所述目标试题对应的推荐试题,包括:
将所述目标试题输入与所述目标区域对应的第一试题推荐模型,得到与所述目标试题对应的推荐试题;
其中,所述第一试题推荐模型用于按照所述试题推荐运算参数进行试题推荐运算。
可选的,所述第一试题推荐模型的训练过程,包括:
云服务器确定所述第一试题推荐模型的第一模型参数,以及获取第一参考参数和第二参考参数中的至少一个;所述第一参考参数包括所述目标区域的关联区域对应的试题推荐模型的试题推荐运算参数,所述第二参考参数包括通用试题推荐模型的试题推荐运算参数;
云服务器基于所述第一模型参数,以及所述第一参考参数和所述第二参考参数中的至少一个,确定更新模型参数;
所述目标区域的本地服务器基于所述更新模型参数,利用目标区域试题库中的试题对所述第一试题推荐模型进行试题推荐训练。
可选的,云服务器确定所述第一试题推荐模型的第一模型参数,以及获取第一参考参数和第二参考参数中的至少一个,包括:
云服务器获取所述第一试题推荐模型经过当前迭代训练后的模型参数作为第一模型参数,并确定所述第一试题推荐模型的第一训练迭代次数;其中,所述第一试题推荐模型在当前迭代训练中利用所述目标区域试题库中的试题进行试题推荐训练;
云服务器获取所述关联区域对应的试题推荐模型经过所述第一训练迭代次数的训练后的模型参数作为第一参考参数,和/或,获取通用试题推荐模型经过所述第一训练迭代次数的训练后的模型参数作为第二参考参数。
可选的,所述目标区域的第一试题推荐模型的训练过程,还包括:
云服务器基于各个区域的试题推荐模型对所述通用试题推荐模型的第一影响参数,将所述通用试题推荐模型经过所述第一训练迭代次数的训练后的模型参数,以及各个区域的试题推荐模型经过所述第一训练迭代次数的训练后的模型参数进行加权聚合,得到通用试题推荐模型的更新通用模型参数;
云服务器基于所述更新通用模型参数,利用所述区域通用试题库中的试题对所述通用试题推荐模型进行试题推荐训练。
可选的,基于所述第一模型参数,以及所述第一参考参数,确定更新模型参数,包括:
基于所述目标区域与所述关联区域之间的关联度,将所述第一模型参数,以及各个所述关联区域对应的第一参考参数进行加权聚合,得到更新模型参数。
可选的,基于所述第一模型参数,以及所述第二参考参数,确定更新模型参数,包括:
基于所述通用试题推荐模型对所述第一试题推荐模型的第二影响参数,将所述第一模型参数与所述通用试题推荐模型对应的第二参考参数进行加权聚合,得到更新模型参数。
可选的,所述目标区域的第一试题推荐模型的训练过程,还包括:
在停止迭代训练后,若所述目标区域试题库的试题更新覆盖率达到预设更新覆盖率,或者,所述关联区域的试题库的试题更新覆盖率达到所述预设更新覆盖率,则继续对所述目标区域的第一试题推荐模型进行试题推荐训练。
根据本申请实施例的第二方面,提供了一种试题推荐装置,包括:
获取模块,用于获取目标学生对应的目标试题;
推荐模块,用于基于所述目标试题以及与所述目标学生对应的试题推荐策略,生成与所述目标试题对应的推荐试题;
其中,所述试题推荐策略基于第一试题推荐策略和参考试题推荐策略而确定,所述第一试题推荐策略包括所述目标学生所属目标区域的试题推荐策略,所述参考试题推荐策略包括第二试题推荐策略和第三试题推荐策略中的至少一项,所述第二试题推荐策略包括所述目标区域的关联区域的试题推荐策略,所述第三试题推荐策略包括通用的试题推荐策略。
根据本申请实施例的第三方面,提供了一种电子设备,包括:存储器和处理器;
其中,所述存储器与所述处理器连接,用于存储程序;
所述处理器,用于通过运行所述存储器中的程序,实现上述试题推荐方法。
根据本申请实施例的第四方面,提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现上述试题推荐方法。
本申请提出的试题推荐方法,包括:获取目标学生对应的目标试题,基于目标试题以及与目标学生对应的试题推荐策略,生成与目标试题对应的推荐试题;其中,试题推荐策略基于第一试题推荐策略和参考试题推荐策略而确定,第一试题推荐策略包括目标学生所属目标区域的试题推荐策略,参考试题推荐策略包括第二试题推荐策略和第三试题推荐策略中的至少一项,第二试题推荐策略包括目标区域的关联区域的试题推荐策略,第三试题推荐策略包括通用的试题推荐策略。采用本申请的技术方案,可以将关联区域的试题推荐策略和通用的试题推荐策略中的至少一个,与目标区域的试题推荐策略结合,既无需关联区域共享试题库,还能结合利用关联区域试题库和/或区域通用试题库确定出的试题推荐策略,在保证各区域试题资源的数据隐私安全性的情况下,能提高试题推荐策略的试题推荐能力,从而提高了试题推荐的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1是本申请实施例提供的一种试题推荐方法的流程示意图;
图2是本申请实施例提供的试题推荐模型的训练结构示意图;
图3是本申请实施例提供的训练试题推荐模型的处理流程示意图;
图4是本申请实施例提供的一种试题推荐装置的结构示意图;
图5是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
本申请实施例技术方案适用于试题推荐的应用场景,采用本申请实施例技术方案,能够在保证各区域试题资源的数据隐私安全性的情况下,提高试题推荐策略的试题推荐能力,从而提高了试题推荐的准确度。
在教育领域,根据学生的需求,为学生推荐相应的试题,可以提高学生对相应知识点的掌握,例如,对学生推荐刚刚学习过的知识点类型相同的题,可以使学生更为扎实的掌握该知识点,对学生推荐与错题类型相同的题,可以使学生掌握易错知识点。
为了提高试题推荐的速度,可以预先确定出试题推荐策略,利用试题推荐策略进行试题推荐。例如,试题推荐策略可以采用基于深度学习的试题推荐模型。各个区域均有人工构建的区域试题库,但是,受到人力等客观条件约束,大部分区域构建的区域试题库中的试题量较少,而试题推荐策略的确定需要利用大量的样本数据,才能保证试题推荐策略的准确度,例如,基于深度学习的试题推荐模型作为试题推荐策略时,深度学习模型的效果受限于训练数据的体量,仅凭各区域本地的独立题库训练的深度学习模型试题推荐的试题推荐效果难以达到最优化。现有技术中,为了增加确定试题推荐策略的样本数据,各区域将其独立的区域试题库上传到云服务器,从而利用所有区域的试题确定试题推荐策略,来提高试题推荐策略的试题推荐效果。但是各区域出于对其本地的试题资源隐私保护与数据安全的考虑,倾向于将区域试题库留存与本地,而非共享到云服务器,以至于无法得到试题推荐准确度较高的试题推荐策略。
因此,如何在保证各区域试题资源的数据隐私安全性的情况下,提高试题推荐策略的试题推荐能力,提高试题推荐的准确度,是本领域技术人员亟需解决的技术问题。
基于此,本申请提出一种试题推荐方法,该技术方案可以将关联区域的试题推荐策略和通用的试题推荐策略中的至少一个,与目标区域的试题推荐策略结合,既无需关联区域共享试题库,还能结合利用关联区域试题库和/或区域通用试题库确定出的试题推荐策略,在保证各区域试题资源的数据隐私安全性的情况下,能提高试题推荐策略的试题推荐能力,从而提高试题推荐的准确度。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
示例性方法
本申请实施例提出一种试题推荐方法,该方法可以由电子设备执行,该电子设备可以是任意的具有数据及指令处理功能的设备,例如可以是计算机、智能终端、服务器等。参见图1所示,该方法包括:
S101、获取目标学生对应的目标试题。
具体的,本实施例可以根据目标学生的学情数据或者该目标学生的教师的当前教学内容进行试题推荐,将与目标学生的学情数据或者教师的当前教学内容相关的试题作为目标学生的目标试题。其中,与目标学生的学情数据(即目标学生的学习情况)相关的试题可以为目标学生的错题,或者目标学生错误率较高的题型所对应的试题,再或者目标学生练习较少的题型所对应的试题等。教师的当前教学内容相关的试题可以为教师当前所讲的例题,或者包含教师当前所讲知识点的试题等。
S102、基于目标试题以及与目标学生对应的试题推荐策略,生成与目标试题对应的推荐试题。
本实施例中,不同的区域,存储的区域试题库不同,而试题推荐策略是利用区域试题库中的试题进行试题推荐训练分析出的。因此,目标学生所属的区域不同,在进行试题推荐时,采用的试题推荐策略也不同。本实施例首先需要根据目标学生所属的目标区域,确定出目标学生对应的试题推荐策略,然后利用该试题推荐策略生成与目标试题对应的推荐试题。其中,不同区域的划分可以根据片区划分,将不同的片区作为不同的区域,也可以根据学校划分,将不同的学校作为不同的区域,还可以根据城市划分,将不同的城市作为不同的区域,还可以根据省份划分,将不同的省份作为不同的区域等。
具体的,确定目标学生对应的试题推荐策略,首先,确定目标学生所属的目标区域的试题推荐策略作为第一试题推荐策略,并确定目标区域的关联区域的试题推荐策略作为第二试题推荐策略,以及获取各区域通用的试题推荐策略作为第三试题推荐策略。其中,目标区域的试题推荐策略是利用目标区域的区域试题库中的试题作为样本数据进行试题推荐训练分析出的试题推荐策略,关联区域的试题推荐策略是利用关联区域的区域试题库中的试题作为样本数据进行试题推荐训练分析出的试题推荐策略,各区域通用的试题推荐策略是利用预先存储的区域通用试题库中的试题作为样本数据进行试题推荐训练分析出的试题推荐策略。对于确定某区域是否为目标区域的关联区域,可以根据该区域与目标区域之间的教学内容是否有关联,若有关联,则将该区域确定为目标区域的关联区域。并且,不同的区域,与目标区域的关联度也不相同,例如,两个区域采用的是相同版本的教科书,则两个区域之间的教学内容的差异可能不大,那么两个区域之间的关联度则较高,如果两个区域采用的是不同版本的教科书,则两个区域之间的教学内容的差异较大,那么这两个区域之间的关联度则较低。或者,如果两个区域属于同一个考区,那么两个区域之间的关联度则较高,如果两个区域不属于同一个考区,那么两个区域之间的关联度则较低。
然后,将第二试题推荐策略和第三试题推荐策略中的至少一项作为参考试题推荐策略,即该参考试题推荐策略包括第二试题推荐策略和/或第三试题推荐策略。
最后,基于第一试题推荐策略和参考试题推荐策略,确定目标学生对应的试题推荐策略。例如,当参考试题推荐策略包括第二试题推荐策略时,将第一试题推荐策略和参考试题推荐策略结合在一起,从而能够结合目标区域的试题推荐能力和与目标区域相关联的关联区域的试题推荐能力,当参考试题推荐策略包括第三试题推荐策略时,将第一试题推荐策略和参考试题推荐策略结合在一起,从而能够结合目标区域的试题推荐能力和区域通用试题库训练出的试题推荐能力,当参考试题推荐策略包括第二试题推荐策略和第三试题推荐策略时,将第一试题推荐策略和参考试题推荐策略结合在一起,从而能够结合目标区域的试题推荐能力、与目标区域相关联的关联区域的试题推荐能力,以及区域通用试题库训练出的试题推荐能力。这样,既无需关联区域共享试题库,还能结合利用关联区域试题库和/或区域通用试题库确定出的试题推荐策略,在保证各区域试题资源的数据隐私安全性的情况下,能提高试题推荐策略的试题推荐能力,从而提高试题推荐的准确度。
进一步地,对于试题推荐策略中,包括对应的试题推荐运算参数,即,目标学生对应的试题推荐策略包括目标学生对应的试题推荐运算参数,第一试题推荐策略包括目标学生所属目标区域的试题推荐运算参数,参考试题推荐策略包括第二试题推荐策略和第三试题推荐策略中的至少一项,第二试题推荐策略包括目标区域的关联区域的试题推荐运算参数,第三试题推荐策略包括通用的试题推荐运算参数。本实施例中,基于目标试题,按照目标学生对应的试题推荐运算参数进行试题推荐运算,得到与目标试题对应的推荐试题。其中,试题推荐运算参数可以为试题推荐运算公式的参数,将试题推荐运算参数配置在试题推荐运算公式中,利用试题推荐运算公式对目标试题进行试题推荐,例如,提取目标试题的特征向量,然后计算该目标试题的特征向量与目标区域的区域试题库中各个试题的特征向量之间的相似度,从目标区域的区域试题库中提取特征向量与该目标试题的特征向量的相似度达到预设相似度阈值的试题作为推荐试题,其中,特征向量与目标试题的特征向量相似度达到预设相似度阈值的试题为与目标试题相似度较高的试题,某试题与目标试题信息相似度较高,则说明该试题与目标试题属于相同类型的试题(即考察相同知识点的试题)。试题推荐运算参数还可以为基于深度学习的试题推荐模型的模型参数,将试题推荐模型的模型参数设置为试题推荐运算参数,得到目标区域对应的第一试题推荐模型,将目标试题输入到该第一试题推荐模型,第一试题推荐模型进行试题推荐,从而得到与目标试题对应的推荐试题。
进一步地,本实施例中,不同的区域可以利用该区域的区域试题库中的试题作为训练样本训练试题推荐模型,因此,不同的区域对应不同的试题推荐模型,为了对目标学生的目标试题进行试题推荐,需要获取到目标学生所属目标区域对应的第一试题推荐模型,然后将目标学生的目标试题输入到该第一试题推荐模型进行试题推荐。
目标学生所属目标区域对应的第一试题推荐模型根据输入的目标试题进行试题推荐时,首先提取目标试题的特征向量,然后计算该目标试题的特征向量与目标区域试题库中各个试题的特征向量之间的相似度,从目标区域试题库中提取特征向量与该目标试题信息的特征向量的相似度达到预设相似度阈值的试题作为推荐试题输出,其中,特征向量与目标试题的特征向量相似度达到预设相似度阈值的试题为与目标试题信息相似度较高的试题,某试题与目标试题相似度较高,则说明该试题与目标试题属于相同类型的试题(即考察相同知识点的试题)。
本实施例中,目标区域对应的第一试题推荐模型,是基于第一参考参数和第二参考参数中的至少一个,以及第一试题推荐模型的第一模型参数,利用目标区域试题库中的试题进行试题推荐训练得到的。其中,第一参考参数为目标区域的关联区域对应的试题推荐模型的模型参数,即关联区域的试题推荐运算参数,第二参考参数为通用试题推荐模型的模型参数,即通用的试题推荐运算参数。
进一步地,参见图2所示,本实施例中设置有云服务器20,云服务器20中存储有各个区域可通用的区域通用试题库21,其中区域通用试题库21中的试题符合各个区域的教学内容,且各个区域均可利用的试题。云服务器20可以利用区域通用试题库21中的试题进行试题推荐训练,得到通用试题推荐模型。即,通用试题推荐模型的训练样本为云服务器20中存储的区域通用试题库21中的试题。各个区域均设置有本地服务器10,本地服务器10中存储有其区域独立的区域试题库11,各个区域对应的试题推荐模型均是该区域的本地服务器10利用该区域独立的区域试题库11训练得到的,即各个区域对应的试题推荐模型的训练样本为各区域的本地服务器10中存储的独立的区域试题库中的试题。
各个区域对应的试题推荐模型均是基于该区域的关联区域对应的试题推荐模型的模型参数和通用试题推荐模型的模型参数中的至少一个,以及该区域对应的试题推荐模型的模型参数,利用该区域的区域试题库中的试题进行试题推荐训练得到的。如图2中,云服务器20可以接收区域1~区域n的本地服务器10上传的各区域对应的试题推荐模型的模型参数,云服务器20还可以得到通用试题推荐模型的模型参数,然后区域1~区域n之间的关联情况来确定更新模型参数,例如,与区域1相关联的区域为区域2、区域3和区域n,区域2对应的试题推荐模型参数、区域3对应的试题推荐模型的模型参数以及区域n对应的试题推荐模型的模型参数为区域1的第一参考参数,通用试题推荐模型的模型参数为区域1的第二参考参数,云服务器20可以基于区域1对应的试题推荐模型的模型参数,以及区域1的第一参考参数和区域1的第二参考参数之间的至少一个进行参数结合,从而得到该区域1的更新模型参数,云服务器20再将该区域1的更新模型参数传输给区域1的本地服务器作为区域1对应的试题推荐模型的模型参数。其他区域对应的试题推荐模型的模型参数的更新与区域1的相同,本实施例不再具体阐述。在实际应用过程中,若要对目标学生进行试题推荐,则从区域1~区域n中确定该目标学生所属的目标区域。各区域在进行试题推荐训练时均是在本区域的本地服务器中利用本区域独立的区域试题库进行训练,无需将其独立的区域试题库上传到云服务器,保证了各区域独立的区域试题库的试题资源的数据隐私安全性,虽然各区域的区域试题库并未上传,但是却上传了利用其独立的区域试题库训练出的试题推荐模型的模型参数,这样本区域对应的试题推荐模型的模型参数便能结合与本区域相关联的区域对应的试题推荐模型的模型参数和/或通用试题推荐模型的模型参数,提高试题推荐模型的试题推荐能力。
通过上述介绍可见,本申请实施例提出的试题推荐方法,获取目标学生对应的目标试题,基于目标试题以及与目标学生对应的试题推荐策略,生成与目标试题对应的推荐试题;其中,试题推荐策略基于第一试题推荐策略和参考试题推荐策略而确定,第一试题推荐策略包括目标学生所属目标区域的试题推荐策略,参考试题推荐策略包括第二试题推荐策略和第三试题推荐策略中的至少一项,第二试题推荐策略包括目标区域的关联区域的试题推荐策略,第三试题推荐策略包括通用的试题推荐策略。采用本实施例的技术方案,可以将关联区域的试题推荐策略和通用的试题推荐策略中的至少一个,与目标区域的试题推荐策略结合,既无需关联区域共享试题库,还能结合利用关联区域试题库和/或区域通用试题库确定出的试题推荐策略,在保证各区域试题资源的数据隐私安全性的情况下,能提高试题推荐策略的试题推荐能力,从而提高了试题推荐的准确度。
作为一种可选的实现方式,参见图3所示,在本申请另一实施例中公开了,目标区域的第一试题推荐模型的训练过程,具体可以包括如下步骤:
S301、云服务器确定第一试题推荐模型的第一模型参数,以及获取第一参考参数和第二参考参数中的至少一个。
具体的,如图2所示,云服务器20需要确定目标区域对应的第一试题推荐模型的第一模型参数,并获取目标区域的关联区域的本地服务器10上传的试题推荐模型的模型参数(即,关联区域的试题推荐运算参数)和云服务器20利用区域通用试题库中的试题训练的通用试题推荐模型的模型参数(即,通用的试题推荐运算参数)中的至少一个。具体步骤如下所述:
第一,云服务器获取第一试题推荐模型经过当前迭代训练后的模型参数作为第一模型参数,并确定第一试题推荐模型的第一训练迭代次数。
目标区域的本地服务器10中存储的区域试题库11为目标区域试题库,目标区域的本地服务器10可以利用该目标区域试题库对目标区域对应的第一试题推荐模型进行试题推荐训练,那么第一试题推荐模型经过当前迭代训练后的模型参数即为第一试题推荐模型的第一模型参数,目标区域的本地服务器10将该第一模型参数上传到云服务器20,云服务器20获取到当前迭代训练后的第一模型参数。并且,云服务器20记录下第一试题推荐模型经过当前迭代训练后的迭代训练次数作为第一训练迭代次数。例如,若第一试题推荐模型的当前迭代训练是对第一推荐模型的第2次迭代训练,那么此时云服务器20记录下的第一训练迭代次数为2。本实施例中,若目标区域为区域1~区域n中的第k个区域,即区域k,当前迭代训练为第t次迭代训练,即第一训练迭代次数为t,那么该目标区域对应的第一试题推荐模型的第一模型参数可以表示为W
利用目标区域试题库中的试题对第一试题推荐模型进行试题推荐训练时,可以将试题输入到第一试题推荐模型中,第一试题推荐模型采用掩膜(mask)的方式对输入的该试题进行上下文预测,利用预测结果与真实token之间的交叉熵损失函数为依据,对第一试题推荐模型的模型参数进行优化调整。本实施例中,对试题推荐模型的训练可以采用有监督训练方式、无监督训练方式或者有监督训练与无监督训练结合的方式,本实施例不进行具体限制,并且有监督训练方式、无监督训练方式或者有监督训练与无监督训练结合的方式为现有的训练方式,本实施例不再具体阐述。
第二,云服务器获取关联区域对应的试题推荐模型经过第一训练迭代次数的训练后的模型参数作为第一参考参数,和/或,获取通用试题推荐模型经过第一训练迭代次数的训练后的模型参数作为第二参考参数。
云服务器20在获取第一参考参数和第二参考参数时,需要根据第一试题推荐模型的第一训练迭代次数获取迭代次数相同的模型参数,这样能够提高第一试题推荐模型的训练效果与训练速度。如果第一试题推荐模型的第一训练迭代次数为50,而获取第一参考参数和/或第二参考参数时获取的是迭代次数为2次时的模型参数,迭代训练2次的参数准确度必然不如迭代训练50次的参数准确度,那么此时结合了第一参考参数和/或第二参考参数后,则会影响第一试题推荐模型的模型参数准确度,拖累第一试题推荐模型的训练。
在云服务器20获取关联区域对应的试题推荐模型经过第一训练迭代次数的训练后的模型参数的情况下,若目标区域为区域1~区域n中的第k个区域,即区域k,当前迭代训练为第t次迭代训练,即第一训练迭代次数为t,关联区域对应的试题推荐模型经过第一训练迭代次数的训练后的模型参数(即第一参考参数)可以表示为W
在云服务器20获取通用试题推荐模型经过第一训练迭代次数的训练后的模型参数的情况下,若当前迭代训练为第t次迭代训练,即第一训练迭代次数为t,通用试题推荐模型经过第一训练迭代次数的训练后的模型参数(即第二参考参数)可以表示为W
本实施例中,目标区域以外的其他区域对应的试题推荐模型的模型参数的更新以及模型的训练与目标区域相同,本实施例不再具体阐述。
进一步地,由于区域通用试题库中的试题包含适用于所有区域的通用特征,因此,所有区域对应的试题推荐模型均会对通用试题推荐模型产生影响,并且不同区域对应的试题推荐模型对通用试题推荐模型的影响程度不同,本实施例会预先设置各个区域对应的试题推荐模型对通用试题推荐模型的第一影响参数。
对于通用试题推荐模型经过第一训练迭代次数的训练后的模型参数的确定方式,是将与云服务器交互的各个区域对应的试题推荐模型在第一次训练迭代次数的上一次迭代训练后的模型参数以及通用试题推荐模型在第一次训练迭代次数的上一次迭代训练后的模型参数结合后,得到的通用试题推荐模型在第一次训练迭代次数的上一次迭代训练后的更新通用模型参数,然后基于该更新通用模型参数,利用区域通用试题库中的试题对通用试题推荐模型进行试题推荐训练(即第一次训练迭代次数对应的训练),从而得到经过第一次训练迭代次数的训练后的模型参数(即第二参考参数)。
若第一次训练迭代次数为t,
S302、云服务器基于第一模型参数,以及第一参考参数和第二参考参数中的至少一个,确定更新模型参数。
当云服务器20仅获取到第一模型参数和第一参考参数时,由于目标区域与每个关联区域之间的可能具有不同的关联程度,因此,本实施例中预先构建了各个区域之间的关联度矩阵,关联度矩阵中记录了所有区域中每两个区域之间的关联度(即关联性影响系数)。关联度矩阵A如下所示:
其中,表示第i个区域对第k个区域的关联性影响系数,当第i个区域与第k个区域之间并无关联时,α
将目标区域与关联区域之间的关联度(即关联区域对目标区域的关联性影响系数)作为关联区域对应的试题推荐模型的模型参数的权重,将目标区域的所有关联区域对应的试题推荐模型的模型参数进行加权聚合,然后将加权聚合后的模型参数与目标区域对应的第一试题推荐模型的第一模型参数聚合,从而得到更新模型参数。更新模型参数的计算公式如下所示:
其中,k表示目标区域的标识,即第k个区域为目标区域,W′
当云服务器20仅获取到第一模型参数和第二参考参数时,由于区域通用试题库中的试题包含适用于所有区域的通用特征,那么利用区域通用试题库训练出的通用试题推荐模型对所有区域对应的试题推荐模型均可产生影响,并且,通用试题推荐模型对不同区域对应的试题推荐模型的第二影响参数不同,本实施例中预先构建了通用试题推荐模型对不同区域对应的试题推荐模型的影响参数矩阵B,B=[β
将通用试题推荐模型对目标区域对应的第一试题推荐模型的第二影响参数作为通用试题推荐模型的模型参数(即第二参考参数)的权重,将通用试题推荐模型的模型参数(即第二参考参数)与目标区域对应的第一试题推荐模型的第一模型参数加权聚合,从而得到更新模型参数。更新模型参数的计算公式如下所示:
W′
其中,k表示目标区域的标识,即第k个区域为目标区域,W′
当云服务器20获取到第一模型参数、第一参考参数和第二参考参数时,将目标区域与关联区域之间的关联度(即关联区域对目标区域的关联性影响系数)作为关联区域对应的试题推荐模型的模型参数(即第一参考参数)的权重,将通用试题推荐模型对目标区域对应的第一试题推荐模型的第二影响参数作为通用试题推荐模型的模型参数(即第二参考参数)的权重,将目标区域的所有关联区域对应的试题推荐模型的模型参数进行加权聚合,然后将加权聚合后的模型参数与目标区域对应的第一试题推荐模型的第一模型参数聚合,最后再与通用试题推荐模型的模型参数(即第二参考参数)加权聚合,从而得到更新模型参数。更新模型参数的计算公式如下所示:
S303、目标区域的本地服务器基于更新模型参数,利用目标区域试题库中的试题对第一试题推荐模型进行试题推荐训练。
具体的,本实施例中,云服务器20将目标区域对应的第一试题推荐模型的模型参数,结合关联区域对应的试题推荐模型的模型参数和/或通用试题推荐模型的模型参数后,得到的更新模型参数传输给目标区域的本地服务器10,目标区域的本地服务器10将更新模型参数布局在目标区域对应的第一试题推荐模型中,然后利用目标区域的目标区域试题库中的试题对第一试题推荐模型进行试题推荐训练,并将训练后的第一试题推荐模型的模型参数作为下一次迭代训练时的第一模型参数,可以用W
作为一种可选的实现方式,在本申请另一实施例中公开了,目标区域的第一试题推荐模型的训练过程,还包括如下步骤:
第一,云服务器基于各个区域的试题推荐模型对通用试题推荐模型的第一影响参数,将通用试题推荐模型经过第一训练迭代次数的训练后的模型参数,以及各个区域的试题推荐模型经过第一训练迭代次数的训练后的模型参数进行加权聚合,得到通用试题推荐模型的更新通用模型参数。
由于区域通用试题库中的试题包含适用于所有区域的通用特征,因此,所有区域对应的试题推荐模型均会对通用试题推荐模型产生影响,并且不同区域对应的试题推荐模型对通用试题推荐模型的影响程度不同,本实施例会预先设置各个区域对应的试题推荐模型对通用试题推荐模型的第一影响参数。
本实施例将各个区域对应的试题推荐模型对通用试题推荐模型的第一影响参数作为各个区域对应的试题推荐模型的模型参数的权重,将各个区域对应的试题推荐模型经过第一训练迭代次数t的训练后的模型参数进行加权聚合,并将加权聚合后的参数与通用试题推荐模型经过第一训练迭代次数t的训练后的模型参数聚合,从而得到通用试题推荐模型经过第一训练迭代次数t的训练后的更新通用模型参数。其中,更新通用模型参数的计算公式如下所示:
其中,W′
第二,云服务器基于更新通用模型参数,利用区域通用试题库中的试题对通用试题推荐模型进行试题推荐训练。
云服务器20利用区域通用试题库中的试题,对布局有更新通用模型参数W′
在一个具体的实施例中,在对各区域的试题推荐模型以及通用试题推荐模型进行第1次迭代训练之前,云服务器20首先需要利用区域通用试题库中的试题进行试题推荐训练得到基线试题推荐模型,并将该基线试题推荐模型传输给各区域的本地服务器。
在第1次迭代训练时,目标区域将该基线试题推荐模型作为第一试题推荐模型,目标区域的本地服务器10利用目标区域试题库中的试题对该第一试题推荐模型进行试题推荐训练,得到了第一试题推荐模型的模型参数作为第1次迭代训练的第一模型参数W
云服务器20将第1次迭代训练的第一模型参数W
作为一种可选的实现方式,在本申请另一实施例中公开了,目标区域的第一试题推荐模型的训练过程,还包括:
每次对目标区域的第一试题推荐模型进行迭代训练后,均检测第一训练迭代次数是否达到预设迭代阈值。如果检测到第一训练迭代次数达到预设迭代阈值,则停止对目标区域的第一试题推荐模型的训练,将最终得到的第一试题推荐模型布局到目标区域的本地服务器中进行第一试题推荐模型的应用。
或者,每次对目标区域的第一试题推荐模型进行迭代训练后,均检测第一试题推荐模型是否收敛,其中,对于模型收敛的检测可以根据损失函数是否稳定来确定,若损失函数达到稳定状态,波动较小,则说明模型收敛,若损失函数并未稳定,波动较大,则说明模型未收敛。如果检测到第一试题推荐模型收敛,则停止第一试题推荐模型的训练,最终得到的第一试题推荐模型布局到目标区域的本地服务器中进行第一试题推荐模型的应用。
或者,每次对目标区域的第一试题推荐模型进行迭代训练后,均检测第一训练迭代次数是否达到预设迭代阈值,以及检测第一试题推荐模型是否收敛。如果检测到第一训练迭代次数达到预设迭代阈值,或者,检测到第一试题推荐模型收敛,则停止第一试题推荐模型的训练,最终得到的第一试题推荐模型布局到目标区域的本地服务器中进行第一试题推荐模型的应用。
作为一种可选的实现方式,在本申请另一实施例中公开了,目标区域的第一试题推荐模型的训练过程,还包括:
在停止对第一试题推荐模型的迭代训练后,还需要检测目标区域试题库的试题更新覆盖率或者目标区域的关联区域的试题库的试题更新覆盖率。如果检测到目标区域试题库的试题更新覆盖率达到预设更新覆盖率,或者,关联区域的试题库的试题更新覆盖率达到预设更新覆盖率,则继续对目标区域的第一试题推荐模型进行试题推荐训练,以便利用更新后的试题库进行模型的迭代训练,提高模型的试题推荐能力。其中,试题库的试题更新覆盖率是试题库中更新的试题数量占原始试题总量的比例。
示例性装置
与上述试题推荐方法相对应的,本申请实施例还公开了一种试题推荐装置,参见图4所示,该装置包括:
获取模块100,用于获取目标学生对应的目标试题;
推荐模块110,用于基于目标试题以及与目标学生对应的试题推荐策略,生成与目标试题对应的推荐试题;
其中,试题推荐策略基于第一试题推荐策略和参考试题推荐策略而确定,第一试题推荐策略包括目标学生所属目标区域的试题推荐策略,参考试题推荐策略包括第二试题推荐策略和第三试题推荐策略中的至少一项,第二试题推荐策略包括目标区域的关联区域的试题推荐策略,第三试题推荐策略包括通用的试题推荐策略。
本申请实施例提出的试题推荐装置,获取模块100获取目标学生对应的目标试题,推荐模块110基于目标试题以及与目标学生对应的试题推荐策略,生成与目标试题对应的推荐试题;其中,试题推荐策略基于第一试题推荐策略和参考试题推荐策略而确定,第一试题推荐策略包括目标学生所属目标区域的试题推荐策略,参考试题推荐策略包括第二试题推荐策略和第三试题推荐策略中的至少一项,第二试题推荐策略包括目标区域的关联区域的试题推荐策略,第三试题推荐策略包括通用的试题推荐策略。采用本申请的技术方案,可以将关联区域的试题推荐策略和通用的试题推荐策略中的至少一个,与目标区域的试题推荐策略结合,既无需关联区域共享试题库,还能结合利用关联区域试题库和/或区域通用试题库确定出的试题推荐策略,在保证各区域试题资源的数据隐私安全性的情况下,能提高试题推荐策略的试题推荐能力,从而提高了试题推荐的准确度。
作为一种可选的实现方式,在本申请另一实施例中公开了,试题推荐装置中,试题推荐策略,包括试题推荐运算参数;第一试题推荐策略包括目标学生所属目标区域的试题推荐运算参数,参考试题推荐策略包括第二试题推荐策略和第三试题推荐策略中的至少一项,第二试题推荐策略包括目标区域的关联区域的试题推荐运算参数,第三试题推荐策略包括通用的试题推荐运算参数。
推荐模块110,具体用于基于目标试题,按照试题推荐运算参数进行试题推荐运算,得到与目标试题对应的推荐试题。
作为一种可选的实现方式,在本申请另一实施例中公开了,推荐模块110,具体还用于将目标试题输入与目标区域对应的第一试题推荐模型,得到与目标试题对应的推荐试题;其中,第一试题推荐模型用于按照试题推荐运算参数进行试题推荐运算。
作为一种可选的实现方式,在本申请另一实施例中公开了,试题推荐装置还包括:参数获取模块、第一参数更新模块和第一模型训练模块。其中,参数获取模块和第一参数更新模块为云服务器中的模块,第一模型训练模块为目标区域的本地服务器中的模块。
参数获取模块,用于确定第一试题推荐模型的第一模型参数,以及获取第一参考参数和第二参考参数中的至少一个;第一参考参数包括目标区域的关联区域对应的试题推荐模型的试题推荐运算参数,第二参考参数包括通用试题推荐模型的试题推荐运算参数;
第一参数更新模块,用于基于第一模型参数,以及第一参考参数和第二参考参数中的至少一个,确定更新模型参数;
第一模型训练模块,用于基于更新模型参数,利用目标区域试题库中的试题对第一试题推荐模型进行试题推荐训练。
作为一种可选的实现方式,在本申请另一实施例中还公开了,参数获取模块,具体用于:
获取第一试题推荐模型经过当前迭代训练后的模型参数作为第一模型参数,并确定第一试题推荐模型的第一训练迭代次数;其中,第一试题推荐模型在当前迭代训练中利用目标区域试题库中的试题进行试题推荐训练;
获取关联区域对应的试题推荐模型经过第一训练迭代次数的训练后的模型参数作为第一参考参数,和/或,获取通用试题推荐模型经过第一训练迭代次数的训练后的模型参数作为第二参考参数。
作为一种可选的实现方式,在本申请另一实施例中还公开了,试题推荐模型还包括:第二参数更新模块和第二模型训练模块。其中,第二参数更新模块和第二模型训练模块为云服务器中的模块。
第二参数更新模块,用于基于各个区域的试题推荐模型对通用试题推荐模型的第一影响参数,将通用试题推荐模型经过第一训练迭代次数的训练后的模型参数,以及各个区域的试题推荐模型经过第一训练迭代次数的训练后的模型参数进行加权聚合,得到通用试题推荐模型的更新通用模型参数;
第二模型训练模块,用于基于更新通用模型参数,利用区域通用试题库中的试题对通用试题推荐模型进行试题推荐训练。
作为一种可选的实现方式,在本申请另一实施例中还公开了,第一参数更新模块,具体用于基于目标区域与关联区域之间的关联度,将第一模型参数,以及各个关联区域对应的第一参考参数进行加权聚合,得到更新模型参数。
作为一种可选的实现方式,在本申请另一实施例中还公开了,第一参数更新模块,具体还用于基于通用试题推荐模型对第一试题推荐模型的第二影响参数,将第一模型参数与通用试题推荐模型对应的第二参考参数进行加权聚合,得到更新模型参数。
作为一种可选的实现方式,在本申请另一实施例中还公开了,试题推荐模型还包括:试题库更新检测模块,用于在停止迭代训练后,若目标区域试题库的试题更新覆盖率达到预设更新覆盖率,或者,关联区域的试题库的试题更新覆盖率达到预设更新覆盖率,则继续对目标区域的第一试题推荐模型进行试题推荐训练。
本实施例提供的试题推荐装置,与本申请上述实施例所提供的试题推荐方法属于同一申请构思,可执行本申请上述任意实施例所提供的试题推荐方法,具备执行试题推荐方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请上述实施例提供的试题推荐方法的具体处理内容,此处不再加以赘述。
示例性电子设备、存储介质和计算产品
与上述试题推荐方法相对应的,本申请实施例还公开了一种电子设备,参见图5所示,该电子设备包括:
存储器200和处理器210;
其中,存储器200与处理器210连接,用于存储程序;
处理器210,用于通过运行存储器200中存储的程序,实现上述任一实施例公开的试题推荐方法。
具体地,上述电子设备还可以包括:总线、通信接口220、输入设备230和输出设备240。
处理器210、存储器200、通信接口220、输入设备230和输出设备240通过总线相互连接。其中:
总线可包括一通路,在计算机系统各个部件之间传送信息。
处理器210可以是通用处理器,例如通用中央处理器(CPU)、微处理器等,也可以是特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
处理器210可包括主处理器,还可包括基带芯片、调制解调器等。
存储器200中保存有执行本申请技术方案的程序,还可以保存有操作系统和其他关键业务。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。更具体的,存储器200可以包括只读存储器(read-only memory,ROM)、可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory,RAM)、可存储信息和指令的其他类型的动态存储设备、磁盘存储器、flash等等。
输入设备230可包括接收用户输入的数据和信息的装置,例如键盘、鼠标、摄像头、扫描仪、光笔、语音输入装置、触摸屏、计步器或重力感应器等。
输出设备240可包括允许输出信息给用户的装置,例如显示屏、打印机、扬声器等。
通信接口220可包括使用任何收发器一类的装置,以便与其他设备或通信网络通信,如以太网,无线接入网(RAN),无线局域网(WLAN)等。
处理器210执行存储器200中所存放的程序,以及调用其他设备,可用于实现本申请上述实施例所提供的试题推荐方法的各个步骤。
本申请另一实施例还提供了一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现上述任一实施例提供的试题推荐方法的各个步骤。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
本申请各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减,各实施例中记载的技术特征可以进行替换或者组合。
本申请各实施例中装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。
本申请所提供的几个实施例中,应该理解到,所揭露的终端,装置和方法,可以通过其他的方式实现。例如,以上所描述的终端实施例仅仅是示意性的,例如,模块或子模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个子模块或模块可以结合或者可以集成到另一个模块,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其他的形式。
作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的,作为模块或子模块的部件可以是或者也可以不是物理模块或子模块,即可以位于一个地方,或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块或子模块可以集成在一个处理模块中,也可以是各个模块或子模块单独物理存在,也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现,也可以采用软件功能模块或子模块的形式实现。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件单元,或者二者的结合来实施。软件单元可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”“包含”或者其任何其他变体意在涵盖非排他性地包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
- 生成推荐词的方法、装置、电子设备及存储介质
- 文章推荐方法、装置、存储介质和电子设备
- 一种房源推荐方法、装置、存储介质及电子设备
- 基于大数据的活动推荐方法、装置、电子设备及存储介质
- 一种信息推荐方法、装置、电子设备及存储介质
- 试题资源推荐方法、装置、电子设备及存储介质
- 试题推荐方法、装置、电子设备和存储介质